研究人员展示了人工智能和神经网络未来如何根据从消费者的偏好中学习到的信息，创造出定制服装设计，帮助零售商和服装制造商向消费者销售服装。
第一作者、计算机科学博士生王成康表示：“我们展示了我们的模型可以生成性地使用，即给定一个用户和一个产品类别，我们可以生成与用户个人品味最一致的新图像（在此案例中为服装单品）。这代表了向构建系统迈出的第一步，这些系统不仅能够从产品库中推荐现有物品，还能推荐风格并帮助设计新产品。”
他们的研究结果于11月初发表在ArXiv上的一篇题为《基于生成图像模型的视觉感知时尚推荐与设计》的论文中。计算机科学与工程教授Julian McAuley及其二年级博士生王成康与来自Adobe Research的行业专家陈方和王兆文合作进行了这项研究。
McAuley及其同事写道：“这提出了一种新型推荐方法，可用于推荐、生产和设计。这些框架可以带来更丰富的推荐形式，其中内容推荐和内容生成更紧密地联系在一起。”
该项目旨在测试人工智能和机器学习工具能在多大程度上帮助时尚行业和消费者——尤其是那些日益增长的渴望在互联网上购买服装的购物者群体。
尽管有许多算法和工具可以帮助在线零售商向潜在买家推荐设计，但加州大学圣地亚哥分校与Adobe Research团队更进一步。他们想看看是否可能处理偏好和其他数据，不仅用于推荐，还可能让计算机生成新的服装设计，这些设计由于反映了消费者的个人偏好而具有优势。
最初，研究人员专注于设计一个系统来创建更好的推荐，特别是在“视觉”推荐的情况下，消费者可能会被产品的外观所影响，例如时尚服装或艺术品）。
根据这篇新论文，“为时尚等领域构建有效的推荐系统具有挑战性，因为涉及高度主观性和特征的语义复杂性。”研究人员接着指出，通过将视觉信号直接纳入推荐目标，使用从深度网络获得的现成特征表示，可以使视觉推荐更准确。
该团队证明，通过直接学习“时尚感知”图像表示，联合训练图像表示（从像素级别）和推荐系统，可以显著提高推荐性能。这篇论文源于最近使用孪生卷积神经网络（Siamese-CNNs）的工作，之所以这样称呼，是因为它们是一类包含两个或多个相同子网络的神经网络架构。（Siamese-CNNs通常用于发现两个可比项之间的相似性或关系。）
对于这个时尚项目，研究人员训练了Siamese-CNN来学习和分类用户对特定物品的偏好。
从那里，他们使用了一个名为生成对抗网络（GAN）的神经网络框架来学习时尚图像的分布，并生成最大化用户偏好的新时尚单品。GAN在同一组数据上训练两个网络，它们特别适合生成逼真的图像。由此产生的系统可以从现有设计中推荐购买物品，但也可以用于修改现有物品，或生成针对特定个人偏好定制的设计（基于关于先前购买、调查等的“大数据”）。
人工智能在时尚行业的使用仍处于起步阶段，但全球最大的两家在线零售商——亚马逊和中国的阿里巴巴——已经在使用包括GAN在内的人工智能工具。至于加州大学圣地亚哥分校与Adobe Research项目，算法设计的新衣服的质量充其量仍处于初级阶段。正如CSE的McAuley告诉《麻省理工科技评论》的一位作者，“如果你想称之为风格，那你得稍微解读一下茶叶渣。”但他警告说，将神经网络引入时尚领域仍处于起步阶段。